ยินดีต้อนรับสู่โลกของการเปรียบเทียบสินทรัพย์นอกตลาด (Private) กับสินทรัพย์ในตลาด (Listed)!
ในบทนี้ เราจะมาสวมบทบาทเป็น "นักสืบ" ในโลกการลงทุนทางเลือก เพื่อไขความลับว่าเกิดอะไรขึ้นกับความเสี่ยงและผลตอบแทนของสินทรัพย์นอกตลาด (Private Assets) เมื่อเทียบกับสินทรัพย์ในตลาด (Public Assets) ที่เราคุ้นเคยกันดี หากคุณเคยสงสัยว่าทำไมกองทุน Private Equity ถึงดู "เรียบเนียน" และมั่นคงนัก ในขณะที่ดัชนี S&P 500 กลับดูเหมือนรถไฟเหาะตีลังกา คุณมาถูกที่แล้ว! เราจะมาถอดหน้ากากความเสี่ยงที่ซ่อนอยู่เบื้องหลังตัวเลขที่ดูเรียบเนียนเหล่านั้นกัน
1. ทำความเข้าใจความแตกต่างขั้นพื้นฐาน
ก่อนที่เราจะเข้าเรื่องคณิตศาสตร์กัน มาดู "บุคลิก" พื้นฐานที่แตกต่างกันของสินทรัพย์ทั้งสองประเภทนี้ก่อน:
สินทรัพย์ในตลาด (Listed Assets/Public): เปรียบเสมือนหุ้นเทคโนโลยีตัวโปรดที่คุณซื้อขายในตลาดหลักทรัพย์ สินทรัพย์เหล่านี้มี ความถี่ในการกำหนดราคาที่สูง (High-frequency pricing) ทุกวินาทีของวันทำการจะมีคนบอกคุณเสมอว่าสินทรัพย์นั้นมีมูลค่าเท่าใด ซึ่งนำไปสู่ "ความผันผวน" ที่เราสังเกตเห็นได้ชัดเจน
สินทรัพย์นอกตลาด (Private Assets): เช่น อสังหาริมทรัพย์นอกตลาดหรือ Private Equity สินทรัพย์เหล่านี้ มีการซื้อขายไม่บ่อยนัก เราไม่มีราคาตลาด (Ticker) แบบเรียลไทม์ให้กับอาคารสำนักงานในใจกลางชิคาโก แต่เราต้องพึ่งพา การประเมินมูลค่า (Appraisals) แทน และเนื่องจากการประเมินมักทำเพียงเป็นครั้งคราว (เช่น รายไตรมาสหรือรายปี) ราคาจึงดูเหมือนจะนิ่งสนิทเป็นเวลานาน
ปัญหาที่พบ: ราคาที่ล้าสมัย (Stale Pricing)
เนื่องจากมูลค่าของสินทรัพย์นอกตลาดไม่ได้มีการอัปเดตทุกวินาที จึงเกิดปัญหาที่เรียกว่า Stale pricing หมายความว่าราคาที่เราเห็นในวันนี้ อาจสะท้อนถึงสภาพตลาดเมื่อหลายเดือนก่อน เปรียบเหมือนการเช็กสภาพอากาศโดยดูรูปถ่ายท้องฟ้าที่ถ่ายไว้เมื่อวาน ซึ่งบอกไม่ได้เลยว่า ตอนนี้ ฝนกำลังตกหรือไม่
ประเด็นสำคัญ
ความแตกต่างหลักระหว่างการรายงานผลตอบแทนของสินทรัพย์นอกตลาดและในตลาด ไม่จำเป็นต้องมาจากความเสี่ยงพื้นฐานที่ต่างกัน แต่มาจาก ความถี่ในการอัปเดตราคา ซึ่งการอัปเดตที่ไม่สม่ำเสมอนี้เองที่ทำให้ข้อมูลดู "เรียบเนียน" (Smoothed) กว่าความเป็นจริง
2. ภาพลวงตาของความเสี่ยงต่ำ: การทำให้ผลตอบแทนเรียบเนียน (Return Smoothing)
เมื่อราคาเปลี่ยนแปลงช้าและไม่สะท้อนข้อมูลปัจจุบันทั้งหมด เราจะเรียกปรากฏการณ์นี้ว่า Return smoothing ซึ่งส่งผลข้างเคียงที่อาจหลอกนักลงทุนที่ไม่ทันระวังตัวได้:
- ความผันผวนที่สังเกตได้ต่ำกว่าความเป็นจริง (Lower Observed Volatility): ค่าส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation) ของสินทรัพย์นอกตลาดดูต่ำกว่าสินทรัพย์ในตลาดมาก กราฟจะดูเป็นเส้นเรียบๆ แทนที่จะเป็นเส้นหยักขึ้นลง
- ความสัมพันธ์แบบล่าช้า (Lagged Correlation): สินทรัพย์นอกตลาดอาจดูเหมือนไม่เคลื่อนไหวตามตลาดหุ้น ในความเป็นจริงมันเคลื่อนไหวตามเพียงแต่มัน "ตอบสนองช้ากว่า" ซึ่งเรียกว่า "ความล่าช้า" (Lag)
- อัตราส่วน Sharpe (Sharpe Ratio) ที่สูงเกินจริง: เนื่องจากความเสี่ยง (ความผันผวน) ในตัวหารดูน้อยกว่าความเป็นจริง ทำให้อัตราส่วน Sharpe ออกมาดูสูงอย่างน่าอัศจรรย์
คุณรู้หรือไม่?
หากคุณนำข้อมูลที่ถูกทำให้เรียบเนียน (Smoothed data) ไปใส่ในแบบจำลอง Mean-variance optimizer มันจะบอกให้คุณทุ่มเงิน ทั้งหมด ไปกับสินทรัพย์นอกตลาด เพราะมันดูเหมือนให้ผลตอบแทนสูงโดยเกือบไม่มีความเสี่ยง! อย่าหลงเชื่อเด็ดขาด! นี่คือกรณีคลาสสิกของ "Garbage in, Garbage out" หรือใส่ข้อมูลขยะเข้าไป ผลลัพธ์ที่ได้ก็จะเป็นขยะเช่นกัน
3. คณิตศาสตร์ของการ De-smoothing (งานของนักสืบ)
เพื่อให้เห็นผลตอบแทนที่ "แท้จริง" เราต้องทำการ De-smooth ข้อมูลกลับคืนมา นี่คือจุดที่นักศึกษามักจะกังวล แต่ไม่ต้องห่วง มันง่ายกว่าที่คิด! เราใช้โมเดลที่ตั้งสมมติฐานว่าผลตอบแทนที่ "สังเกตได้" คือส่วนผสมระหว่างผลตอบแทนที่แท้จริงในปัจจุบันกับผลตอบแทนที่สังเกตได้ในอดีต
สูตรสำหรับ ผลตอบแทนที่สังเกตได้ (\( r_{obs,t} \)) คือ:
\( r_{obs,t} = \alpha r_{true,t} + (1 - \alpha) r_{obs,t-1} \)
โดยที่:
\( \alpha \) (Alpha) = "ความเร็ว" ในการปรับตัว (ข้อมูลใหม่ถูกนำเข้ามามากน้อยแค่ไหน)
\( 1 - \alpha \) = ค่าความ "เรียบเนียน" หรือค่าความ "ล้าสมัย" (เรายึดติดกับอดีตมากแค่ไหน)
ในการหาผลตอบแทนที่แท้จริง (\( r_{true,t} \)) ให้จัดรูปสูตรใหม่เป็น:
\( r_{true,t} = \frac{r_{obs,t} - (1 - \alpha)r_{obs,t-1}}{\alpha} \)
ตัวอย่างทีละขั้นตอน:
1. สมมติผลตอบแทนที่สังเกตได้ไตรมาสนี้คือ 5% (\( r_{obs,t} = 0.05 \))
2. ผลตอบแทนที่สังเกตได้ของไตรมาสที่แล้วคือ 3% (\( r_{obs,t-1} = 0.03 \))
3. ค่า Smoothing parameter (\( 1 - \alpha \)) คือ 0.6 (นั่นหมายถึง \( \alpha = 0.4 \))
4. แทนค่า: \( r_{true,t} = \frac{0.05 - (0.6 \times 0.03)}{0.4} = \frac{0.05 - 0.018}{0.4} = \frac{0.032}{0.4} = 0.08 \) หรือ 8%
บทสรุป: แม้ว่าเราจะ เห็น ผลตอบแทนเพียง 5% แต่ผลตอบแทนทางเศรษฐกิจที่แท้จริงคือ 8% เพราะข้อมูล "ที่ล้าสมัย" จากช่วงก่อนหน้าได้ฉุดตัวเลขให้ต่ำลงนั่นเอง
ตารางทบทวน
\( \alpha \) ต่ำ = ความเรียบเนียนสูง, ข้อมูลล้าสมัยมาก
\( \alpha \) สูง = ความเรียบเนียนต่ำ, ข้อมูลใกล้เคียงกับความจริงมาก
4. ผลกระทบต่อตัวชี้วัดความเสี่ยง
เมื่อเรา De-smooth ข้อมูล ตัวชี้วัดความเสี่ยงของเราจะเปลี่ยนไปอย่างมาก นี่คือสิ่งที่เกิดขึ้นกับตัวเลข "ที่แท้จริง" เมื่อเทียบกับตัวเลข "ที่สังเกตได้":
ส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation): ค่าส่วนเบี่ยงเบนมาตรฐานที่ แท้จริง จะ สูงกว่า ค่าที่สังเกตได้เสมอ สูตรความสัมพันธ์คือ:
\( \sigma_{true} = \sigma_{obs} \times \sqrt{\frac{1 + (1 - \alpha)}{1 - (1 - \alpha)}} \) (หมายเหตุ: นี่เป็นฉบับย่อเพื่อความเข้าใจสำหรับ CAIA L2)
ความสัมพันธ์ (Correlations): ความสัมพันธ์ที่ แท้จริง ระหว่าง Private Equity กับตลาดหุ้นมักจะ สูงกว่า ที่สังเกตได้จากข้อมูลดิบมาก หมายความว่าสินทรัพย์นอกตลาดไม่ได้ช่วยกระจายความเสี่ยงได้ดีเท่ากับที่ดูในกระดาษ
ค่า Beta: เช่นเดียวกับความสัมพันธ์ ค่า Beta ที่แท้จริง ของสินทรัพย์นอกตลาดจะสูงกว่า Beta ที่สังเกตได้ หากคุณมองข้ามผลกระทบจากการ Smoothing คุณจะประเมินความเสี่ยงตลาดของพอร์ตโฟลิโอของคุณต่ำเกินไป
ตัวช่วยจำ: อุปมาเรื่องสายจูงยางยืด
ลองจินตนาการว่าตลาดที่แท้จริงคือคนกำลังวิ่ง (ผลตอบแทนที่แท้จริง) ผลตอบแทนของสินทรัพย์นอกตลาดที่สังเกตได้คือสุนัขที่ถูกล่ามด้วยสายจูงยางยืดที่ยาวและยืดหยุ่นได้ (ผลตอบแทนที่สังเกตได้) สุนัขจะวิ่งตามคนไปในที่สุด แต่มันจะล่าช้ากว่าและไม่แสดงท่าทีการวิ่งเร็วหรือหยุดกะทันหัน การ De-smoothing ก็เหมือนกับการทำให้สายจูงนั้นสั้นลง เพื่อให้คุณเห็นว่าสุนัขตัวนั้นอยู่ที่ไหน จริงๆ เมื่อเทียบกับตัวคนวิ่ง
5. สินทรัพย์ในตลาดในฐานะตัวแทน (Proxies)
ในเมื่อข้อมูลสินทรัพย์นอกตลาดมันยุ่งเหยิง เราใช้ Listed Private Equity (LPE) หรือ REITs มาทำความเข้าใจสินทรัพย์นอกตลาดแทนได้ไหม?
คำตอบคือ: ได้ แต่ต้องระวัง
- ข้อดี: ตัวแทนในตลาดให้ราคาแบบรายวันและสะท้อนอารมณ์ตลาดแบบเรียลไทม์
- ข้อเสีย: ตัวแทนในตลาดได้รับอิทธิพลจาก อารมณ์ของตลาดหุ้น เช่น ในช่วงที่ตลาดหุ้นพังทลาย REIT อาจร่วงลง 20% เพียงเพราะคนตื่นตระหนกและขายทุกอย่างทิ้ง แม้ว่าอาคารสำนักงานจริงจะยังมีผู้เช่าเต็ม 100% และจ่ายค่าเช่าตามปกติก็ตาม
ดังนั้น สินทรัพย์ในตลาดมักจะ กล่าวเกินจริง (Overstate) ต่อความผันผวนระยะสั้น ในขณะที่สินทรัพย์นอกตลาด กล่าวต่ำกว่าความเป็นจริง (Understate) ความจริงมักจะอยู่ตรงกลางเสมอ!
ประเด็นสำคัญ
ใช้ตัวแทนในตลาดเพื่อให้เห็นทิศทางแบบเรียลไทม์ แต่อย่าลืมว่ามันมาพร้อมกับ "สัญญาณรบกวน" (Noise) จากตลาดหุ้นที่อาจไม่มีอยู่จริงในโลกของสินทรัพย์นอกตลาด
6. ข้อผิดพลาดที่พบบ่อยสำหรับนักศึกษา
อย่าให้จุดเหล่านี้มาทำให้คุณพลาดในวันสอบ:
- สับสนระหว่าง Alpha กับ 1-Alpha: ในบางตำรา \( \alpha \) คือ Smoothing factor แต่ในบางตำรา \( 1 - \alpha \) คือ Smoothing factor ให้ดูคำนิยามในโจทย์เสมอ Smoothing Factor = น้ำหนักของข้อมูลที่ล้าสมัย (Stale weight)
- คิดว่า "Smooth" แปลว่า "ปลอดภัย": การที่กราฟเป็นเส้นเรียบไม่ได้แปลว่าสินทรัพย์นั้นไม่มีความเสี่ยง นี่คือ "Appraisal Lag" (ความล่าช้าในการประเมิน) ไม่ใช่การขาดความเสี่ยง
- ภาพลวงตาของการกระจายความเสี่ยง: นักศึกษามักคิดว่า Private Equity ช่วยกระจายความเสี่ยงได้ดีเพราะค่าความสัมพันธ์กับหุ้นอยู่ที่ 0.3 แต่หลังจากการ De-smooth แล้ว ค่าความสัมพันธ์นั้นอาจพุ่งสูงถึง 0.8!
บทสรุปส่งท้าย
การเข้าใจความเสี่ยงและผลตอบแทนของสินทรัพย์นอกตลาด vs สินทรัพย์ในตลาด คือการมองทะลุพื้นผิวที่ "เรียบเนียน" ของการประเมินราคา การ De-smooth ข้อมูลจะช่วยเปิดเผยความผันผวนที่แท้จริง ค่า Beta ที่แท้จริง และความสัมพันธ์ที่แท้จริง แม้ว่าสินทรัพย์นอกตลาดจะดูเหมือนเป็น "ของฟรี" ที่ให้ผลตอบแทนสูงและความเสี่ยงต่ำ แต่ข้อมูลที่ De-smooth แล้วจะแสดงให้เห็นว่ามันก็เผชิญกับแรงกดดันตลาดเช่นเดียวกับสินทรัพย์ในตลาด เพียงแต่มันใช้เวลาสะท้อนออกมานานกว่าเท่านั้นเอง!
คุณทำได้อยู่แล้ว! แค่จำไว้ว่า: ถ้าข้อมูลดูเรียบเนียนเกินกว่าจะเป็นจริง มันก็น่าจะไม่ใช่ความจริง ขอให้สนุกกับการเรียนรู้!